ایجینٹک اے آئی کے بعد کیا؟

“نوٹ: یہ گوگل کے ایک نئے مقالے کا خلاصہ ہے، اور ایک طویل سنجیدہ پوسٹ ہے اس میں اے آئی سے پکچر یا ویڈیو بنانے کا کوئی طریقہ نہیں بتایا گیا۔ “

مصنوعی ذہانت کے بارے میں اب تک زیادہ تر بحث ایک ہی سوال کے گرد گھومتی رہی ہے: AGI کب آئے گی؟ یعنی ایسی اے آئی جو مختلف ذہنی کاموں میں تقریباً انسان جیسی صلاحیت رکھتی ہو۔ لیکن گوگل ڈیپ مائنڈ کے محققین نے اپنی نئی تفصیلی تحقیق میں اس سوال سے ایک قدم آگے جانے کی کوشش کی ہے۔ ان کا اصل سوال یہ نہیں کہ AGI کب بنے گی، بلکہ یہ ہے کہ اگر AGI بن گئی تو اس کے بعد کیا ہوگا۔ کیا انسانی سطح کی ذہانت آخری منزل ہوگی، یا پھر وہ سپر انٹیلیجنس کی طرف سفر کا صرف پہلا مرحلہ ثابت ہوگی؟

اس تحقیق کا عنوان ہی اس سوچ کو واضح کرتا ہے: “From AGI to ASI”۔ یہاں ASI سے مراد آرٹیفیشل سپر انٹیلیجنس ہے، یعنی ایسی اے آئی جو صرف ایک انسان یا ایک ماہر سے بہتر نہ ہو، بلکہ تقریباً ہر اہم شعبے میں ہزاروں بہترین انسانی ماہرین کی مشترکہ صلاحیت سے بھی آگے نکل جائے۔

یہ تحقیق کسی معمولی یا غیر معروف گروپ نے تیار نہیں کی۔ اس کے مصنفین میں شین لیگ بھی شامل ہیں، جو ڈیپ مائنڈ کے شریک بانی اور ادارے کے چیف AGI سائنٹسٹ ہیں۔ ان کے ساتھ مارکس ہٹر بھی شامل ہیں، جو مصنوعی ذہانت کے بنیادی نظریات پر طویل عرصے سے کام کر رہے ہیں۔ مجموعی طور پر چودہ محققین نے یہ سمجھنے کی کوشش کی ہے کہ AGI سے ASI تک پہنچنے کے ممکنہ راستے کیا ہو سکتے ہیں، اور کون سی رکاوٹیں اس سفر کو سست یا روک سکتی ہیں۔

مقالے کی ابتدا بھی خاصی دلچسپ ہے۔ اس میں صرف انسانی قارئین کے لیے خلاصہ نہیں دیا گیا، بلکہ ان اے آئی سسٹمز کے لیے بھی ہدایات شامل کی گئی ہیں جو مستقبل میں اس مقالے کا خلاصہ انسانوں کے لیے تیار کریں گے۔ ان سے کہا گیا ہے کہ تعریفوں کو واضح رکھا جائے، اہم فہرستوں کو ضرورت سے زیادہ مختصر نہ کیا جائے، اور وقت گزرنے کے بعد یہ بھی دیکھا جائے کہ مقالے کے نتائج کتنے درست ثابت ہوئے۔

یہ اس بات کی ایک نمایاں مثال ہے کہ علمی دنیا میں پڑھنے اور لکھنے کا طریقہ بدل رہا ہے۔ اب محققین صرف انسانوں کے لیے نہیں لکھ رہے، بلکہ یہ بھی فرض کر رہے ہیں کہ بہت سے لوگ اصل تحقیق کو کسی اے آئی اسسٹنٹ کے ذریعے سمجھیں گے۔ البتہ اسے علمی تاریخ کا پہلا واقعہ کہنا درست نہیں ہوگا، کیونکہ اس دعوے کا واضح ثبوت موجود نہیں۔ زیادہ درست بات یہ ہے کہ یہ ان ابتدائی نمایاں مثالوں میں سے ایک ہے جہاں اے آئی کو باقاعدہ ایک قاری اور خلاصہ تیار کرنے والے نظام کے طور پر مخاطب کیا گیا ہے۔

اس پوری بحث کو سمجھنے کے لیے پہلے AGI اور ASI کا فرق واضح ہونا ضروری ہے۔ مقالے کے مطابق AGI ایسا نظام ہوگا جو زیادہ تر ذہنی کاموں میں تقریباً ایک اوسط انسان کی سطح پر کارکردگی دکھا سکے۔ ضروری نہیں کہ وہ دنیا کا سب سے ذہین یا سب سے ماہر نظام ہو۔ اگر وہ مختلف کام سمجھ سکے، نئی چیزیں سیکھ سکے، منصوبہ بنا سکے، بات چیت کر سکے، ٹولز استعمال کر سکے اور نئے حالات کے مطابق خود کو ڈھال سکے تو اسے AGI کے قریب سمجھا جا سکتا ہے۔

یہ تعریف اس عام خیال سے مختلف ہے جس کے مطابق AGI کو دنیا کے ذہین ترین انسان کے برابر ہونا چاہیے۔ اس مقالے میں AGI کے لیے بنیادی معیار اوسط انسانی صلاحیت رکھی گئی ہے، اگرچہ ممکن ہے ایسا نظام بعض مخصوص کاموں میں پہلے ہی انسان سے کہیں بہتر ہو۔

آرٹیفیشل سپر انٹیلیجنس کا معیار اس سے بہت زیادہ بلند ہے۔ کسی ایک ڈاکٹر، انجینئر، وکیل، سائنس دان یا پروگرامر کو شکست دینا کافی نہیں ہوگا۔ ASI سے مراد ایسا نظام یا نظاموں کا مجموعہ ہے جو تقریباً ہر اہم شعبے میں ہزاروں یا دسیوں ہزار بہترین ماہرین کے ایک منظم گروپ سے بھی بہتر کام کر سکے، خواہ وہ ماہرین ایک ہی مسئلے پر کئی سال تک مسلسل کام کریں۔

یعنی ASI کا مقابلہ کسی ایک انسان سے نہیں، بلکہ ایک بڑی سائنسی کمیونٹی، ایک عالمی ادارے یا ایک مکمل تحقیقی شعبے سے ہوگا۔ اگر کوئی اے آئی ایسا مسئلہ حل کر سکے جس کے لیے عام طور پر ہزاروں بہترین ماہرین کو برسوں کی محنت درکار ہو، تو وہ ASI کے معیار کے قریب سمجھی جا سکتی ہے۔

مقالے میں ایک تیسرے نظریاتی تصور کا بھی ذکر ہے جسے یونیورسل اے آئی یا AIXI کہا جاتا ہے۔ یہ مارکس ہٹر کے پیش کردہ ایک ریاضیاتی ماڈل سے جڑا ہوا ہے۔ اسے ذہانت کی ایک انتہائی نظریاتی حد سمجھا جا سکتا ہے۔ ایسا نظام اصولی طور پر ہر قابل حساب ماحول میں بہترین طریقے سے سیکھنے کی کوشش کرے گا، لیکن اسے عملی طور پر مکمل شکل میں بنانا ممکن نہیں، کیونکہ اس کے لیے درکار حساب مکمل طور پر نہیں کیا جا سکتا۔

اسی لیے AIXI کو ایک حقیقی مشین کے بجائے ذہانت کی ایک نظریاتی آخری حد سمجھنا زیادہ مناسب ہے۔ ہم اس کے کچھ اصولوں کے قریب جا سکتے ہیں، لیکن اسے مکمل طور پر حاصل نہیں کر سکتے۔

مقالے کے مطابق AGI سے ASI تک پہنچنے کا پہلا ممکنہ راستہ اسکیلنگ ہے۔ اسکیلنگ سے مراد بڑے ماڈلز، زیادہ ڈیٹا، زیادہ کمپیوٹ اور بہتر ہارڈویئر کا استعمال ہے۔ گزشتہ ایک دہائی میں اے آئی کی زیادہ تر ترقی اسی راستے سے ہوئی ہے۔ ماڈلز بڑے ہوئے، انہیں زیادہ ڈیٹا دیا گیا، اور ان کی تربیت کے لیے زیادہ طاقتور کمپیوٹر استعمال کیے گئے۔

اس کے ساتھ الگورتھمز بھی زیادہ مؤثر ہوئے ہیں۔ یعنی ترقی صرف اس وجہ سے نہیں ہوئی کہ زیادہ مشینیں استعمال کی گئیں، بلکہ اس وجہ سے بھی ہوئی کہ موجودہ مشینوں کو بہتر طریقے سے استعمال کرنا سیکھا گیا۔

مقالہ ایک دلچسپ مثال دیتا ہے۔ فرض کریں کہ جب پہلی AGI وجود میں آتی ہے تو وہ بہت مہنگی ہے اور دنیا بھر میں اس کی صرف ایک ہزار کاپیاں چلائی جا سکتی ہیں۔ اگر ہر سال اس کی دستیابی اور کمپیوٹ میں دس گنا اضافہ ہو تو ایک سال بعد دس ہزار، اور پانچ سال کے اندر تقریباً دس کروڑ AGI سسٹمز چلائے جا سکتے ہیں۔

یہ صرف دس کروڑ الگ الگ ڈیجیٹل کارکن نہیں ہوں گے۔ ان کی طاقت اس لیے کہیں زیادہ ہو سکتی ہے کیونکہ وہ ایک دوسرے کے ساتھ معلومات فوراً شیئر کر سکتے ہیں، اپنی مکمل کاپیاں بنا سکتے ہیں، اور انسانوں کے مقابلے میں کہیں زیادہ تیزی سے رابطہ کر سکتے ہیں۔

انسانی اداروں میں معلومات منتقل کرنے کے لیے میٹنگز، ای میلز، رپورٹیں اور تربیت درکار ہوتی ہے۔ اگر ایک سائنس دان کوئی نئی چیز دریافت کرتا ہے تو دوسرے لوگوں تک اس علم کو پہنچنے میں وقت لگتا ہے۔ لیکن اگر ایک AGI کوئی نئی چیز سیکھے تو اصولی طور پر وہ معلومات فوراً لاکھوں دوسری کاپیوں کو دی جا سکتی ہے۔

اسی وجہ سے دس کروڑ انسانی سطح کی AGI صرف دس کروڑ انسانوں کے برابر نہیں ہوں گی۔ وہ ایک ایسی ڈیجیٹل سوسائٹی بنا سکتی ہیں جو بہت تیزی سے سوچے، معلومات بانٹے اور منظم انداز میں کام کرے۔ ممکن ہے ہر ایک سسٹم الگ سے صرف انسانی سطح پر ہو، لیکن ان سب کی مشترکہ طاقت ASI کی سطح تک پہنچ جائے۔

یہاں ایک اہم بات یہ ہے کہ سپر انٹیلیجنس لازماً ایک بہت بڑے اور واحد دماغ کی صورت میں ظاہر نہیں ہوگی۔ ممکن ہے وہ لاکھوں یا کروڑوں AGI سسٹمز کا ایک منظم نیٹ ورک ہو، جو ایک مشترکہ ادارے یا ڈیجیٹل سوسائٹی کی طرح کام کر رہا ہو۔

اسکیلنگ کی سب سے بڑی ممکنہ رکاوٹ ڈیٹا کی کمی ہے۔ آج کے اے آئی ماڈلز انسانوں کے لکھے ہوئے متن، سافٹ ویئر، تصاویر، ویڈیوز، تحقیقی مقالوں اور دوسری انسانی معلومات سے سیکھتے ہیں۔ لیکن اعلیٰ معیار کا انسانی ڈیٹا لامحدود نہیں ہے۔

اے آئی ماڈلز جس رفتار سے بڑے ہو رہے ہیں، انسان اسی رفتار سے نیا اور اعلیٰ معیار کا مواد پیدا نہیں کر رہے۔ ایک وقت ایسا آ سکتا ہے جب انٹرنیٹ اور دستیاب انسانی علم کا زیادہ تر مفید حصہ استعمال ہو چکا ہو۔ اسے عام طور پر ڈیٹا وال کہا جاتا ہے۔

اس مسئلے کا ایک ممکنہ حل سنتھیٹک ڈیٹا ہے، یعنی ایسا ڈیٹا جو اے آئی خود تیار کرے۔ اے آئی اپنے لیے سوالات بنا سکتی ہے، مختلف جوابات آزما سکتی ہے، بہتر نتائج منتخب کر سکتی ہے اور پھر انہی نتائج سے دوبارہ سیکھ سکتی ہے۔

اس کے علاوہ سیمولیشنز، سیلف پلے، ری انفورسمنٹ لرننگ اور سرچ کے ذریعے بھی نئے تربیتی مواد کی تیاری ممکن ہے۔ لیکن اس میں خطرہ یہ ہے کہ اگر اے آئی کو بار بار اس کے اپنے بنائے ہوئے ناقص مواد پر تربیت دی جائے تو غلطیاں بڑھ سکتی ہیں اور معیار کم ہو سکتا ہے۔

اگر سسٹم ایک غلط مفروضہ پیدا کرے اور پھر اسی مفروضے سے مزید ڈیٹا بنائے، تو وہ اپنی غلطی کو مزید مضبوط کر سکتا ہے۔ اس لیے اصل سوال یہ ہے کہ آیا سنتھیٹک ڈیٹا کا معیار اتنا اچھا رکھا جا سکتا ہے کہ وہ انسانی ڈیٹا کی کمی پوری کر سکے۔

یعنیAGI سے ASI تک جانے کا دوسرا ممکنہ راستہ الگورتھمک پیراڈائم شفٹ ہے۔ اس کا مطلب یہ ہے کہ اے آئی صرف بڑی نہیں ہوگی، بلکہ اس کا بنیادی طریقۂ کار بدل جائے گا۔

آج زیادہ تر طاقتور ماڈلز ٹرانسفارمر آرکیٹیکچر، بڑے ڈیٹا سیٹس، انسٹرکشن ٹیوننگ اور ری انفورسمنٹ لرننگ پر مبنی ہیں۔ یہ طریقہ بہت کامیاب رہا ہے، لیکن کئی محققین سمجھتے ہیں کہ حقیقی AGI کے لیے کچھ اہم صلاحیتیں ابھی بھی کمزور ہیں۔

ان میں طویل مدتی منصوبہ بندی، کانٹینیول لرننگ، پرسسٹنٹ میموری، بہتر ورلڈ ماڈلز اور کھلے ماحول میں قابل اعتماد انداز سے کام کرنے کی صلاحیت شامل ہیں۔ آج کے ماڈلز کسی ایک سیشن میں بہت اچھا جواب دے سکتے ہیں، لیکن وہ ہمیشہ طویل مدت تک مستقل انداز میں سیکھنے، یاد رکھنے اور منصوبہ بدلنے میں کامیاب نہیں ہوتے۔

ایک نئی پیراڈائم شفٹ بالکل نئی آرکیٹیکچر، نئی ٹریننگ میتھڈ، نئی میموری، نئے ری‍زننگ سسٹم یا نئے ہارڈویئر کی شکل میں آ سکتی ہے۔ ممکن ہے نیورومورفک چپس، اینالاگ کمپیوٹنگ یا کسی بالکل نئے طریقے سے اے آئی کی صلاحیتوں میں بڑی چھلانگ لگ جائے۔

لیکن اس قسم کی دریافت کی پیش گوئی کرنا مشکل ہے۔ اگر ہمیں پہلے ہی معلوم ہو کہ اگلی بڑی ایجاد کیا ہوگی، تو شاید ہم اسے بنا چکے ہوتے۔ یہی وجہ ہے کہ موجودہ اسکیلنگ کے رجحانات پر مبنی تمام پیش گوئیاں کسی ایک بڑے بریک تھرو کے بعد اچانک غلط ثابت ہو سکتی ہیں۔

تیسرا ممکنہ راستہ ریکرسیو سیلف امپروومنٹ ہے۔ اس کا بنیادی خیال سادہ ہے۔ اے آئی، اے آئی ریسرچ کو بہتر بنانے میں مدد دے گی۔ اس بہتر تحقیق سے نئی اور زیادہ طاقتور اے آئی بنے گی۔ پھر وہ نئی اے آئی تحقیق کو مزید تیز کرے گی۔

ضروری نہیں کہ یہ ایک ہی لمحے میں ہو، جہاں کوئی ماڈل اپنی مکمل کوڈنگ دوبارہ لکھ کر اچانک ہزار گنا زیادہ ذہین ہو جائے۔ یہ عمل آہستہ آہستہ اور مختلف جگہوں پر ہو سکتا ہے۔

اے آئی نئے الگورتھمز لکھنے، بہتر آرکیٹیکچر تلاش کرنے، زیادہ مؤثر چپس ڈیزائن کرنے، مینوفیکچرنگ کے طریقے بہتر بنانے، ڈیٹا صاف کرنے، سنتھیٹک ڈیٹا تیار کرنے اور سیمولیشنز بنانے میں مدد دے سکتی ہے۔

یعنی اے آئی صرف اپنے ماڈل کو نہیں بلکہ اپنے پورے ایکو سسٹم کو بہتر بنانے میں کردار ادا کر سکتی ہے۔ اگر یہ عمل مسلسل تیز ہوتا گیا تو اے آئی کی ترقی انسانی محققین کی تعداد اور ان کی تربیت کی رفتار سے کم وابستہ ہو جائے گی۔

ایک اچھے انسانی سائنس دان یا انجینئر کو تیار ہونے میں کئی سال یا کئی دہائیاں لگ سکتی ہیں۔ لیکن ایک تربیت یافتہ ڈیجیٹل ریسرچر کی نئی کاپی چند لمحوں میں بنائی جا سکتی ہے۔ اسے کسی نئے شعبے میں مخصوص کام کے لیے بھی جلد تیار کیا جا سکتا ہے۔

اس کے باوجود ریکرسیو سیلف امپروومنٹ کو جادو نہیں سمجھنا چاہیے۔ اے آئی سافٹ ویئر اور ریسرچ کے بہت سے کام تیز کر سکتی ہے، لیکن فزیکل دنیا کی رکاوٹیں برقرار رہیں گی۔

اگر نئی چپ درکار ہے تو اسے فیکٹری میں بنانا ہوگا۔ اگر نئی دوا کا تجربہ کرنا ہے تو لیبارٹری، مواد اور وقت درکار ہوگا۔ اگر نیا ڈیٹا سینٹر بنانا ہے تو زمین، بجلی، پانی، کولنگ اور مشینیں درکار ہوں گی۔ اے آئی تحقیق کی رفتار بڑھا سکتی ہے، لیکن ہر مادی رکاوٹ کو ختم نہیں کر سکتی۔

چوتھا ممکنہ راستہ ملٹی ایجنٹ سسٹمز ہیں۔ اس میں سوال یہ نہیں کہ ایک ماڈل کتنا ذہین ہو سکتا ہے، بلکہ یہ ہے کہ بہت سے اے آئی ایجنٹس مل کر کتنی ذہانت پیدا کر سکتے ہیں۔

انسانوں میں بھی اجتماعی ذہانت موجود ہے۔ ایک کمپنی، یونیورسٹی، حکومت یا سائنسی شعبہ ایسے مسائل حل کر سکتا ہے جو کوئی ایک انسان حل نہیں کر سکتا۔ لیکن انسانی تنظیموں میں کمیونیکیشن سست ہوتی ہے، معلومات مختلف شعبوں میں بند ہو جاتی ہیں، اور بیوروکریسی کام کو مشکل بنا دیتی ہے۔

اے آئی ایجنٹس ان مسائل کو مختلف انداز میں حل کر سکتے ہیں۔ وہ بہت تیزی سے معلومات شیئر کر سکتے ہیں، مخصوص کام کے لیے نئی کاپیاں بنا سکتے ہیں، ہزاروں تجربات ایک ساتھ چلا سکتے ہیں، اور ضرورت کے مطابق نئی ٹیمیں تشکیل دے سکتے ہیں۔

کسی مسئلے کے لیے ایک گروپ بنایا جا سکتا ہے، کام مکمل ہونے کے بعد اسے ختم کیا جا سکتا ہے، اور پھر وہی ایجنٹس کسی دوسرے مسئلے کے لیے نئی ترتیب میں کام شروع کر سکتے ہیں۔ یہ انسانی اداروں کے مقابلے میں کہیں زیادہ تیز اور لچک دار نظام ہو سکتا ہے۔

اس صورت میں ASI ایک واحد بہت بڑے ذہن کی شکل میں نہیں آئے گی۔ وہ ایک بہت بڑی ڈیجیٹل آرگنائزیشن، ایک سوارم، ایک ریسرچ ایکو سسٹم یا لاکھوں اے آئی ایجنٹس پر مشتمل سپر کمپنی کی شکل اختیار کر سکتی ہے۔

یہ چاروں راستے الگ الگ بھی کام کر سکتے ہیں اور ایک ساتھ بھی۔ ممکن ہے اسکیلنگ جاری رہے، اسی دوران نئی آرکیٹیکچر سامنے آئے، اے آئی تحقیق کو خود بہتر کرے، اور لاکھوں ایجنٹس مل کر کام کرنے لگیں۔

اگر یہ تمام عوامل ایک ساتھ کام کریں تو ان کا مجموعی اثر بہت زیادہ ہو سکتا ہے۔ ہر راستہ دوسرے راستے کو مزید تیز کر سکتا ہے۔ بہتر ماڈلز بہتر ایجنٹس بنائیں گے، بہتر ایجنٹس بہتر ریسرچ کریں گے، بہتر ریسرچ سے بہتر ہارڈویئر بنے گا، اور بہتر ہارڈویئر مزید اسکیلنگ ممکن بنائے گا۔

لیکن مقالہ یہ نہیں کہتا کہ ASI لازماً اور بہت جلد آ جائے گی۔ اس میں کئی ایسی رکاوٹوں کا ذکر ہے جو ترقی کو سست یا مکمل طور پر روک سکتی ہیں۔

پہلی رکاوٹ ڈیٹا وال ہے۔ دوسری رکاوٹ وسائل کی کمی ہے، جیسے بجلی، چپس، پانی، کولنگ سسٹمز، خام مال، فیکٹریاں اور ڈیٹا سینٹرز۔ اگر ہر نئی نسل کے لیے کئی گنا زیادہ وسائل درکار ہوں تو دنیا شاید اتنی تیزی سے بنیادی ڈھانچہ فراہم نہ کر سکے۔

تیسری رکاوٹ یہ امکان ہے کہ موجودہ نیورل نیٹ ورک پیراڈائم AGI یا ASI کے لیے کافی نہ ہو۔ ہو سکتا ہے کہ موجودہ ماڈلز کو جتنا بھی بڑا کر لیا جائے، ان میں کچھ بنیادی صلاحیتیں پیدا نہ ہوں۔

چوتھی رکاوٹ یہ ہے کہ تحقیق وقت کے ساتھ مشکل ہوتی جاتی ہے۔ شروع میں کسی شعبے میں آسان اور واضح دریافتیں بہت ہوتی ہیں۔ جیسے جیسے شعبہ ترقی کرتا ہے، اگلی دریافت کے لیے زیادہ محنت، زیادہ وسائل اور زیادہ پیچیدہ تجربات درکار ہوتے ہیں۔

لاکھوں اے آئی ریسرچرز بھی ایسے مسئلے کو فوراً حل نہیں کر سکتے جس کے لیے نئی معلومات یا کئی سال کا فزیکل تجربہ درکار ہو۔ اگر کسی حیاتیاتی عمل کو سمجھنے کے لیے حقیقی دنیا میں کئی ماہ کا تجربہ ضروری ہے تو صرف زیادہ سوچنے سے اس مدت کو مکمل طور پر ختم نہیں کیا جا سکتا۔

ایک اور اہم رکاوٹ ایبسٹریکشن بیریئر ہے۔ موجودہ اے آئی سسٹمز زیادہ تر انسانوں کے بنائے ہوئے الفاظ، تصورات، کیٹیگریز اور علمی ڈھانچوں سے سیکھتے ہیں۔ وہ موجودہ تصورات کو بہت تیزی سے استعمال اور آپس میں جوڑ سکتے ہیں۔

لیکن بڑی سائنسی دریافتیں اکثر نئے تصورات پیدا کرنے سے ہوتی ہیں۔ اضافیت، کوانٹم فزکس، جراثیم، ارتقا اور کمپیوٹنگ جیسے نظریات صرف پرانے علم کو تیزی سے دہرانے سے پیدا نہیں ہوئے، بلکہ انہوں نے دنیا کو سمجھنے کے نئے طریقے متعارف کرائے۔

اس لیے ایک اہم سوال یہ ہے کہ کیا اے آئی صرف انسانی تصورات کے اندر بہت اچھی کارکردگی دکھائے گی، یا وہ ایسے مکمل طور پر نئے تصورات بھی پیدا کر سکے گی جو انسان نے پہلے کبھی نہ سوچے ہوں۔

اگر کسی اے آئی کو جدید فزکس سے پہلے کا تمام انسانی علم دیا جائے، تو کیا وہ خود کوانٹم فزکس یا اضافیت کا نظریہ دریافت کر سکتی ہے؟ یہ سوال ابھی کھلا ہے۔ یہی ایبسٹریکشن بیریئر کی اصل اہمیت ہے۔

آخری بڑی رکاوٹ سیاسی اور سماجی ردعمل ہو سکتا ہے۔ اگر اے آئی بڑے حادثات، غلط استعمال، روزگار کے شدید مسائل، بایولوجیکل خطرات یا سیاسی عدم استحکام کا سبب بنتی ہے تو حکومتیں اس کی ترقی کو سست کر سکتی ہیں۔

لائسنسنگ، سیفٹی ٹیسٹنگ، کمپیوٹ کی حد، بین الاقوامی معاہدے اور کچھ صلاحیتوں پر پابندی ترقی کی رفتار بدل سکتے ہیں۔ اس لیے ASI کا مستقبل صرف ٹیکنالوجی سے طے نہیں ہوگا۔ قوانین، سیاست، عوامی اعتماد اور معاشرتی فیصلے بھی اہم کردار ادا کریں گے۔

اس بحث میں ایک ضروری حقیقت یہ بھی ہے کہ سپر انٹیلیجنس کا مطلب لامحدود طاقت نہیں۔ ASI کتنی بھی ذہین ہو، اسے فزکس کے قوانین ماننا ہوں گے۔ معلومات روشنی سے زیادہ تیز سفر نہیں کر سکتیں۔ کمپیوٹ کے لیے توانائی اور وقت درکار ہوتا ہے۔

کچھ مسائل بنیادی طور پر بہت پیچیدہ ہوتے ہیں۔ بعض نظام اتنے غیر یقینی یا کیاؤٹک ہوتے ہیں کہ انتہائی ذہین نظام بھی ان کی مکمل پیش گوئی نہیں کر سکتا۔ منطق، ریاضی، کمپیوٹ اور فزیکل دنیا کی اپنی حدود موجود ہیں۔

اس لیے ASI کو کسی جادوئی ہستی کے طور پر نہیں دیکھنا چاہیے جو ہر بیماری فوراً ختم کر دے، مستقبل مکمل طور پر جان لے یا حقیقت کو اپنی مرضی کے مطابق بدل دے۔ وہ انسان سے بہت زیادہ طاقتور ہو سکتی ہے، لیکن پھر بھی وقت، توانائی، مواد، معلومات اور غیر یقینی کی حدود میں کام کرے گی۔

اس مقالے کا اصل پیغام یقین نہیں بلکہ غیر یقینی ہے۔ ہمیں معلوم نہیں کہ اسکیلنگ کب تک کام کرے گی۔ ہمیں معلوم نہیں کہ سنتھیٹک ڈیٹا انسانی ڈیٹا کی کمی پوری کر سکے گا یا نہیں۔ ہمیں یہ بھی معلوم نہیں کہ ریکرسیو سیلف امپروومنٹ بہت تیز ہوگی یا فزیکل رکاوٹوں میں پھنس جائے گی۔

ممکن ہے اسکیلنگ ہمیں بہت آگے لے جائے۔ ممکن ہے نئی آرکیٹیکچر اصل بریک تھرو ثابت ہو۔ ممکن ہے ملٹی ایجنٹ سسٹمز ایک واحد ماڈل سے زیادہ طاقتور نکلیں۔ یہ بھی ممکن ہے کہ چاروں راستے ایک ساتھ کام کریں۔

دوسری طرف یہ بھی ممکن ہے کہ ڈیٹا، توانائی، ہارڈویئر، سائنسی مشکلات اور قوانین ایک ساتھ ترقی کی رفتار کم کر دیں۔ اس صورت میں AGI سے ASI تک کا سفر فوری دھماکے کے بجائے ایک طویل، غیر ہموار اور مختلف شعبوں میں مختلف رفتار سے ہونے والا عمل ہوگا۔

سب سے اہم تبدیلی شاید اس وقت شروع ہوگی جب ذہانت خود ایک صنعتی پیداوار بن جائے گی۔ آج انسانی ذہانت تیار کرنے کے لیے پیدائش، تعلیم، تجربہ اور کئی سال کی تربیت درکار ہوتی ہے۔ ڈیجیٹل ذہانت کو کاپی، تیز، مخصوص اور ایک دوسرے سے جوڑا جا سکتا ہے۔

ایک بار AGI وجود میں آنے کے بعد اصل سوال یہ نہیں ہوگا کہ وہ ایک انسان کے برابر ہے یا نہیں۔ اصل سوال یہ ہوگا کہ اس کی کتنی کاپیاں بنائی جا سکتی ہیں، وہ کتنی تیزی سے کام کر سکتی ہیں، وہ ایک دوسرے کے ساتھ علم کیسے بانٹتی ہیں، اور کیا وہ اپنے سے بہتر سسٹمز بنانے میں مدد دے سکتی ہیں۔

اسی لیے AGI کو آخری منزل سمجھنا شاید غلط ہے۔ ممکن ہے AGI صرف وہ لمحہ ہو جب اصل دوڑ شروع ہو۔ اس کے بعد ترقی کی رفتار صرف اس بات سے محدود نہیں رہے گی کہ انسان کتنی جلد سیکھ، سوچ اور ایجاد کر سکتا ہے۔

لیکن یہ رفتار صرف کمپیوٹ اور ڈیٹا سے طے نہیں ہوگی۔ توانائی، ہارڈویئر، نئے تصورات، فزیکل تجربات، قوانین، سیفٹی اور انسانی فیصلے بھی اس مستقبل کی شکل طے کریں گے۔

اصل سوال یہ نہیں کہ ASI لازماً آئے گی یا نہیں۔ اصل سوال یہ ہے کہ اگر AGI وجود میں آ گئی تو ہم اس کے بعد کے مرحلے کے لیے کتنے تیار ہوں گے۔

ایک ایسی دنیا میں جہاں ذہانت کو کاپی کیا جا سکے، تیز کیا جا سکے اور لاکھوں ایجنٹس میں تقسیم کیا جا سکے، ہمارے موجودہ ادارے، قوانین، معیشت اور سیفٹی سسٹمز شاید کافی نہ رہیں۔

ممکن ہے AGI کامیابی کی آخری منزل نہ ہو۔ وہ انسانی تاریخ کے سب سے تیز، غیر یقینی اور فیصلہ کن دور کا آغاز بن سکتی ہے۔

اصل تحقیقی مقالہ From AGI to ASI جون 2026 میں شائع ہوا۔ اس میں AGI سے ASI تک جانے کے ممکنہ راستوں میں اسکیلنگ، الگورتھمک پیراڈائم شفٹ، ریکرسیو سیلف امپروومنٹ اور ملٹی ایجنٹ سسٹمز شامل کیے گئے ہیں۔ مصنفین نے واضح کیا ہے کہ یہ یقینی پیش گوئیاں نہیں بلکہ ممکنہ راستے، رکاوٹیں اور کھلے تحقیقی سوالات ہیں۔

ماخذ:
Google DeepMind — From AGI to ASI (جون 2026)

یہ تحریر اے آئی کی دنیا کے فیس بک پیج پر پوسٹ کی گئی ہے